岩性是评估地层特征和储层油气含量的关键,开展储层岩性识别研究对油气勘探和开发具有重要意义。针对传统基于机器学习的岩性识别方法的局限性:1)忽略了岩性和测井序列在深度空间上的相关性;2)未考虑不同油井测井数据的特征、岩性分布差异性的影响,本文以中国江汉地区页岩油井测井数据为研究对象,从原始测井序列数据分析角度出发,利用深度学习和半监督学习理论方法,分别从测井序列数据预处理、同油井岩性分类和跨油井岩性分类三个方面,开展测井序列数据驱动的岩性识别方法研究,重点解决识别精度有限和测井数据分布差异等问题,为提高储层参数计算精度和地层特征评估水平提供借鉴参考。首先,为消除原始测井序列数据中不利因素的影响,本文依次采用相关比对法、最大最小归一化、以及MAHAKIL过采样算法,开展测井序列数据相对深度校正、标准化和岩性类别平衡化处理研究;在此基础上,本文充分考虑测井序列的深度变化趋势和空间邻域信息,设计了一种基于MAHAKIL和时间卷积网络（Temporal Convolutional Network,TCN）的同油井岩性识别方法,以提高深度历史信息的记忆能力和并行计算能力;进一步地,为解决测井数据的特征、岩性分布差异性问题,本文研究并提出了一种基于改进类平衡自训练（Class-Balanced Self-Training,CBST）和模型集成（Model Ensemble,ME）的跨油井岩性识别方法,其中,通过自训练的方式对数据分布差异进行自适应学习,并利用ME解决自训练模型的随机性问题。对比实验分析结果表明,在同油井岩性识别任务中,MAHAKIL算法能有效提高TCN模型对少数类岩性的识别率以及整体岩性识别效果;综合最优超参数的TCN模型表现最好。在跨油井岩性识别任务中,所提出基于改进CBST和ME的跨油井岩性识别方法有效改善了常规TCN模型在两组跨油井数据集上的识别效果,其中,准确率均值分别从88.91%和78.87%提高到90.22%和81.05%,准确率标准差分别从1.84%和1.41%降低到1.14%和1.01%。